基于多频率多区域融合的可解释情感脑机接口模型研究

一、研究团队与发表信息
本研究由Tao Wang（天津大学医学工程与转化医学研究院）、Rui Mao（南洋理工大学计算机与数据科学学院）、Shuang Liu（天津大学）、Erik Cambria（南洋理工大学）及Dong Ming（天津大学）合作完成，发表于2025年《Information Fusion》第118卷，文章标题为《Explainable multi-frequency and multi-region fusion model for affective brain-computer interfaces》。

二、学术背景与研究目标
情感脑机接口（Affective Brain-Computer Interface, ABCI）是脑科学和人工智能交叉领域的前沿方向，旨在通过解码脑电信号（EEG）识别情绪状态，应用于精神疾病诊疗和情绪调控。然而，现有ABCI模型面临两大挑战：
1. 可解释性不足：深度学习模型常被视为“黑箱”，难以提供神经生物学依据；
2. 特征融合局限：传统方法未能有效整合EEG信号的多频率（如Delta、Theta、Alpha、Beta、Gamma频段）和多脑区（全脑、半球、局部区域）特征。

为此，研究团队提出多频率多区域融合网络（MFMR-FN），通过可解释的功能连接（Functional Connectivity, FC）矩阵建模和跨尺度特征融合，提升情绪识别的准确性与模型透明度。

三、研究方法与流程
1. 多频率编码网络
- 数据预处理：将原始EEG信号分解为5个频段，采用快速傅里叶变换（FFT）提取频域特征。
- 功能连接图卷积模块（FC-GCN）：基于谱图理论，利用高斯核函数构建电极空间邻接矩阵，通过图卷积自适应生成具有神经生物学意义的FC矩阵。
- 双线性映射与校正模块（BIRE）：在黎曼流形（Riemannian manifold）上对FC矩阵进行对称正定（SPD）矩阵学习，保留脑网络拓扑结构。
- 多频率融合算法：基于黎曼几何设计跨频段特征融合策略，通过迭代计算加权黎曼质心（Riemannian centroid）整合不同频段的FC矩阵。

2. 多区域解码网络
- 多区域选择机制：将FC矩阵按脑区划分为全脑、半球（左/右）和局部区域（额叶、顶叶等），提取不同尺度的功能连接特征。
- 多尺度黎曼网络：通过BIRE模块降维后，结合LogEig层（矩阵对数变换）和UpperTri层（上三角向量化）提取高阶特征，最终通过全连接层融合分类。

实验设计：
- 数据集：
- SEED：15名受试者的情绪识别任务（中性、积极、消极），62通道EEG。
- MODMA：53名受试者（24名抑郁症患者 vs. 29名健康对照），128通道EEG。
- 评估指标：准确率、召回率、F1分数、AUC（SEED）；灵敏度、特异度（MODMA）。

四、主要研究结果
1. 性能优势：
- 在SEED数据集上，MFMR-FN情绪识别准确率达94.22%（±3.54%），较现有最优模型（如GDDN的92.54%）提升1.68%。
- 在MODMA数据集上，抑郁症检测准确率为93.96%，灵敏度94.95%，均显著高于对比方法（如SSPA-GCN的92.87%）。

1. 可解释性验证：

   • 小世界属性分析：融合FC矩阵的σ值（>1）符合健康脑网络的高效信息传递特性，且抑郁症患者σ值显著降低（p<0.05），与临床认知一致。
     
   • 功能整合与分离：消极情绪下全脑功能整合（CPL、NBC升高），积极情绪下局部连接增强（CC、LE升高），揭示了情绪加工的神经机制。
     

2. 跨频段融合效果：多频率融合FC的分类性能优于单一频段（如Gamma频段准确率90.56%，融合后提升至94.22%）。

五、研究结论与价值
1. 科学价值：
- 提出首个结合黎曼几何与图卷积的ABCI可解释框架，为脑网络分析提供了新工具。
- 揭示了情绪状态下多频段、多脑区的动态协同机制，深化了对情绪神经编码的理解。

1. 应用价值：
   
   • 在抑郁症检测中，模型输出的异常FC模式可辅助临床诊断（如默认模式网络连接减弱）。
     
   • 闭环情绪调控系统的开发潜力，如基于实时FC反馈的神经反馈训练。
     

六、研究亮点
1. 方法论创新：
- 首创基于黎曼流形的多频段FC融合算法，解决了传统欧氏空间融合的局限性。
- 多区域选择机制实现了从粗粒度（全脑）到细粒度（局部）的层次化特征解码。

1. 跨数据集泛化性：模型在62通道（SEED）和128通道（MODMA）EEG设备上均表现优异，证实其鲁棒性。

2. 开源与可复现性：实验代码与参数已公开，支持后续研究扩展（如动态功能连接分析）。

七、未来方向
作者指出当前模型未考虑频段/脑区的贡献权重，未来可引入注意力机制；此外，动态因果建模（DCM）或能进一步揭示脑区间的信息流向，增强可解释性。

（全文约2000字）